Convex Optimization for Machine Learning
Ez a könyv bevezetést nyújt a konvex optimalizálásba, amely egyike a számítógépen hatékonyan megoldható, nagy teljesítményű és jól követhető optimalizálási problémáknak. A könyv célja, hogy segítsen kialakítani egy érzéket arra vonatkozóan, hogy mi is az a konvex optimalizálás, és hogyan használható a gyakorlati összefüggések egyre szélesebb körében, különös hangsúlyt fektetve a gépi tanulásra.
A könyv első része a konvex halmazok, a konvex függvények és a kapcsolódó alapdefiníciók alapvető fogalmaival foglalkozik, amelyek a konvex optimalizálás és a megfelelő modellek megértését szolgálják. A második rész egy nagyon hasznos elmélettel, az úgynevezett dualitással foglalkozik, amely lehetővé teszi, hogy: (1) algoritmikus betekintést nyerjünk; és (2) közelítő megoldást kapjunk a gyakran nehezen megoldható, nem konvex optimalizálási problémákra. Az utolsó rész a gépi tanulás és a mélytanulás modern alkalmazásaival foglalkozik.
A könyv egyik meghatározó jellemzője, hogy tömören elmeséli a konvex optimalizálás szerepének "történetét", történelmi példákon és trendi gépi tanulási alkalmazásokon keresztül. Egy másik fontos jellemzője, hogy számos, az optimalizálás alapjai által inspirált gépi tanulási algoritmus programozási implementációját tartalmazza, a felhasznált programozási eszközök rövid bemutatásával együtt.
Az implementáció Python, CVXPY és TensorFlow alapú. Ez a könyv nem a hagyományos tankönyvszerű szervezést követi, hanem egy sor, egymással szorosan összefüggő, koherens témák és fogalmak köré összpontosító előadásjegyzet segítségével egyszerűsíti a felépítését.
Elsősorban felsőfokú alapképzési kurzus tankönyveként szolgál, ugyanakkor alkalmas elsőéves egyetemi kurzusra is. Az olvasók számára előnyös, ha jó lineáris algebrai háttérrel, némi valószínűségszámítással és a Python alapszintű ismeretével rendelkeznek.
